План на курса

Въведение

  • Изкуствени невронни мрежи срещу алгоритми, базирани на дърво на решенията

Преглед на функциите на XGBoost

  • Elements на алгоритъм за градиентно усилване
  • Съсредоточете се върху изчислителната скорост и производителността на модела
  • XGBoost срещу логистична регресия, Random Forest и стандартно градиентно усилване

Еволюцията на дървовидните алгоритми

  • Дървета на решенията, пакетиране, Random Forest, усилване, градиентно усилване
  • Оптимизация на системата
  • Алгоритмични подобрения

Подготовка на околната среда

  • Инсталиране на SciPy и scikit-learn

Създаване на XGBoost модел

  • Изтегляне на набор от данни
  • Решаване на общ проблем с класификацията
  • Обучение на модела XGBoost за класификация
  • Решете обща регресионна задача

Мониторинг на ефективността

  • Оценяване и отчитане на изпълнението
  • Ранно спиране

Изчертаване на функции по важност

  • Изчисляване на важността на характеристиките
  • Решаване кои входни променливи да се запазят или отхвърлят

Конфигуриране на градиентно усилване

  • Прегледайте кривите на обучение за набори от данни за обучение и валидиране
  • Регулиране на скоростта на обучение
  • Регулиране на броя на дърветата

Хиперпараметрична настройка

  • Подобряване на производителността на XGBoost модел
  • Проектиране на контролиран експеримент за настройка на хиперпараметри
  • Търсене на комбинации от параметри

Създаване на тръбопровод

  • Включване на XGBoost модел в тръбопровод за машинно обучение от край до край
  • Настройка на хиперпараметри в тръбопровода
  • Разширени техники за предварителна обработка

Отстраняване на неизправности

Обобщение и заключение

Изисквания

  • Опит в писането на модели за машинно обучение

Публика

  • Учени по данни
  • Инженери по машинно обучение
 14 Часа

Брой участници


Цена за участник

Upcoming Courses